我read来自文档：
tf.keras.losses.SparseCategoricalCrossentropy( from_logits=False, reduction="auto", name="sparse_categorical_crossentropy" )计算标签和预测之间的交叉熵损失。
当有两个或多个标签时使用此交叉熵损失函数 类。我们希望标签以整数形式提供。如果你想 使用一键表示提供标签，请使用
CategoricalCrossentropy损失。应该有＃个类的浮点数y_pred的每个功能的值，以及每个功能的单个浮点值y_true的功能。
为什么将其称为稀疏分类交叉熵？如果有的话，我们将提供更紧凑的类标签编码（整数与单热向量）。
答案 0 :(得分：1)
我认为这是因为整数编码比单热点编码更紧凑，因此更适合于编码稀疏二进制数据。换句话说，整数编码=稀疏二进制数据的更好编码。
当您有许多可能的标签（和样本）时，这会很方便，在这种情况下，单例编码比每个示例中的简单整数浪费得多。
答案 1 :(得分：0)
为什么这样称呼它可能是Keras开发人员最好的回答。但是，请注意，这种稀疏的交叉熵仅适用于“稀疏标签”，“稀疏标签”恰好一个值是1，其他所有值都是0（如果标签表示为向量，而不仅仅是索引） ）。
另一方面，一般CategoricalCrossentropy还可用于非热点（即任何概率分布）的目标。这些值只需要在 和1之间，并且总和为1。这往往会被遗忘，因为在当前的ML应用程序中，单热点目标的用例非常普遍。